Google ਦਾ NotebookLM AI ਸਹਾਇਤਾ ਲਈ ਇੱਕ ਮੂਲ ਰੂਪ ਵਿੱਚ ਵੱਖਰਾ ਤਰੀਕਾ ਅਪਣਾਉਂਦਾ ਹੈ। ਇੰਟਰਨੈੱਟ ਦੇ ਵਿਸ਼ਾਲ ਅਤੇ ਅਸਪਸ਼ਟ ਖੇਤਰ ਤੋਂ ਜਵਾਬ ਲੱਭਣ ਦੀ ਬਜਾਏ, ਇਹ ਸਿਰਫ਼ ਉਹੀ ਪੜ੍ਹਦਾ ਹੈ ਜੋ ਤੁਸੀਂ ਇਸਨੂੰ ਦਿੰਦੇ ਹੋ। ਤੁਸੀਂ ਆਪਣੇ ਦਸਤਾਵੇਜ਼, ਲਿੰਕ ਅਤੇ ਮੀਡੀਆ ਫਾਈਲਾਂ ਅਪਲੋਡ ਕਰਦੇ ਹੋ, ਅਤੇ AI ਸਿਰਫ਼ ਉਸੇ ਚੁਣੇ ਹੋਏ ਸਰੋਤ ਸਮੱਗਰੀ ਦੇ ਆਧਾਰ 'ਤੇ ਆਪਣੀ ਸਮਝ ਬਣਾਉਂਦਾ ਹੈ। ਜਦੋਂ ਤੁਸੀਂ ਕੋਈ ਸਵਾਲ ਪੁੱਛਦੇ ਹੋ, ਤਾਂ ਇਹ ਪਹਿਲਾਂ ਤੁਹਾਡੀਆਂ ਫਾਈਲਾਂ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ। ਹਰ ਜਵਾਬ ਤੁਹਾਡੇ ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੀ ਗਈ ਸਮੱਗਰੀ ਨਾਲ ਜੁੜਿਆ ਹੁੰਦਾ ਹੈ, ਜਿਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਇਸ ਟੂਲ ਦੁਆਰਾ ਤੱਥਾਂ ਨੂੰ ਬਣਾਉਣ ਜਾਂ ਆਮ ਅੰਦਾਜ਼ੇ ਲਗਾਉਣ ਦੀ ਸੰਭਾਵਨਾ ਬਹੁਤ ਘੱਟ ਹੁੰਦੀ ਹੈ। ਉਹਨਾਂ ਲੋਕਾਂ ਲਈ ਜਿਨ੍ਹਾਂ ਨੇ ਕਦੇ ਕਿਸੇ ਚੈਟਬੋਟ ਨੂੰ ਕਿਸੇ ਖੋਜ ਪੱਤਰ ਦੀ ਗਲਤ ਵਿਆਖਿਆ ਕਰਦੇ ਜਾਂ ਗਲਤ ਹਵਾਲੇ (hallucinate) ਦਿੰਦੇ ਦੇਖਿਆ ਹੈ, ਇਹ ਸੀਮਾ ਅਸਲ ਵਿੱਚ ਇਸਦੀ ਇੱਕ ਖ਼ੂਬੀ ਹੈ।
ਇਹ ਆਮ AI ਸਹਾਇਕਾਂ ਤੋਂ ਕਿਵੇਂ ਵੱਖਰਾ ਹੈ
ਜ਼ਿਆਦਾਤਰ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ (large language models) ਵਿਸ਼ਾਲ ਜਨਤਕ ਡੇਟਾਸੈਟਾਂ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ। ਜਦੋਂ ਤੁਸੀਂ ਕਿਸੇ ਸਟੈਂਡਰਡ ਚੈਟਬੋਟ ਵਿੱਚ ਟੈਕਸਟ ਪੇਸਟ ਕਰਦੇ ਹੋ, ਤਾਂ ਇਹ ਤੁਹਾਡੇ ਪ੍ਰੋਂਪਟ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਦਾ ਹੈ ਪਰ ਜਵਾਬ ਤਿਆਰ ਕਰਨ ਲਈ ਅਜੇ ਵੀ ਉਸ ਗਲੋਬਲ ਟ੍ਰੇਨਿੰਗ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਇਹ ਵਿਚਾਰ-ਵਟਾਂਦਰੇ (brainstorming) ਜਾਂ ਆਮ ਗਿਆਨ ਲਈ ਉਪਯੋਗੀ ਹੈ, ਪਰ ਜਦੋਂ ਸਟੀਕਤਾ ਮਹੱਤਵਪੂਰਨ ਹੋਵੇ ਤਾਂ ਇਹ ਇੱਕ ਮੁਸੀਬਤ ਬਣ ਸਕਦਾ ਹੈ। ਇੱਕ ਮਾਡਲ ਤੁਹਾਡੇ ਅਪਲੋਡ ਕੀਤੇ ਕੰਟਰੈਕਟ ਦਾ ਸਾਰ ਤਿਆਰ ਕਰਨ ਲਈ ਤੀਜੇ ਪੰਨੇ ਦੀਆਂ ਅਸਲ ਸ਼ਰਤਾਂ ਦੀ ਬਜਾਏ Reddit ਦੇ ਰੈਂਡਮ ਥ੍ਰੈਡਸ ਤੋਂ ਸਿੱਖੀਆਂ ਅੰਦਾਜ਼ਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦਾ ਹੈ। NotebookLM ਇੱਕ ਬੰਦ ਪ੍ਰਣਾਲੀ (closed system) ਵਜੋਂ ਕੰਮ ਕਰਕੇ ਇਸ ਜਾਲ ਤੋਂ ਬਚਦਾ ਹੈ। ਇਹ ਤੁਹਾਡੇ ਅਪਲੋਡ ਕੀਤੇ ਸਮੱਗਰੀ ਨੂੰ ਹੀ ਇਕਲੌਤਾ ਅਧਾਰ ਮੰਨਦਾ ਹੈ। ਜੇਕਰ ਜਵਾਬ ਤੁਹਾਡੇ ਸਰੋਤਾਂ ਵਿੱਚ ਨਹੀਂ ਹੈ, ਤਾਂ ਇਹ ਤੁਹਾਨੂੰ ਦੱਸ ਦੇਵੇਗਾ ਕਿ ਇਹ ਨਹੀਂ ਜਾਣਦਾ, ਜਾਂ ਇਹ ਉਸ ਵਿਸ਼ੇ 'ਤੇ ਚੁੱਪ ਰਹੇਗਾ। ਇਹ ਇਮਾਨਦਾਰੀ ਸਮਾਂ ਬਚਾਉਂਦੀ ਹੈ। ਤੁਹਾਨੂੰ ਇਹ ਜਾਂਚਣ ਵਿੱਚ ਆਪਣੀ ਊਰਜਾ ਬਰਬਾਦ ਕਰਨ ਦੀ ਲੋੜ ਨਹੀਂ ਪਵੇਗੀ ਕਿ AI ਨੇ ਕੋਈ ਅੰਕੜਾ ਬਣਾਇਆ ਹੈ ਜਾਂ ਯਾਦਦਾਸ਼ਤ ਤੋਂ ਦੋ ਸਮਾਨ ਅਧਿਐਨਾਂ ਨੂੰ ਮਿਲਾ ਦਿੱਤਾ ਹੈ।
ਤੁਸੀਂ ਕੀ ਅਪਲੋਡ ਕਰ ਸਕਦੇ ਹੋ
ਇਹ ਟੂਲ ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਫਾਰਮੈਟਾਂ ਨੂੰ ਸਵੀਕਾਰ ਕਰਦਾ ਹੈ। ਤੁਸੀਂ ਇਸ ਵਿੱਚ PDF ਦਸਤਾਵੇਜ਼, Google Docs, ਵੈੱਬਸਾਈਟ ਲਿੰਕ, YouTube ਵੀਡੀਓ, ਆਡੀਓ ਫਾਈਲਾਂ ਅਤੇ eBooks
ਕਲਪਨਾ ਕਰੋ ਕਿ ਤੁਸੀਂ ਕਿਸੇ ਉਤਪਾਦ ਦੀ ਲਾਂਚਿੰਗ ਦੀ ਤਿਆਰੀ ਕਰ ਰਹੇ ਹੋ। ਤੁਹਾਡੇ ਕੋਲ Google Docs ਵਿੱਚ ਤੀਹ ਪੰਨਿਆਂ ਦਾ ਇੱਕ ਅੰਦਰੂਨੀ ਰਣਨੀਤੀ ਦਸਤਾਵੇਜ਼ ਹੈ, ਮੁਕਾਬਲੇਬਾਜ਼ਾਂ ਦੇ ਤਿੰਨ PDF ਵ੍ਹਾਈਟਪੇਪਰ ਹਨ, ਉਦਯੋਗ ਦੇ ਮਾਹਰਾਂ ਦੇ ਦੋ ਰਿਕਾਰਡ ਕੀਤੇ ਪੋਡਕਾਸਟ ਇੰਟਰਵਿਊ ਹਨ, ਅਤੇ ਕੁਝ ਸਬੰਧਤ ਖ਼ਬਰਾਂ ਦੇ ਲੇਖ ਹਨ। ਤੁਸੀਂ NotebookLM ਵਿੱਚ ਇੱਕ ਨਵੀਂ ਨੋਟਬੁੱਕ ਬਣਾਉਂਦੇ ਹੋ ਅਤੇ ਸਭ ਕੁਝ ਅਪਲੋਡ ਕਰਦੇ ਹੋ। ਪਹਿਲਾਂ, ਤੁਸੀਂ ਕੀਮਤ ਦੀਆਂ ਰਣਨੀਤੀਆਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦੇ ਹੋਏ ਮੁਕਾਬਲੇਬਾਜ਼ਾਂ ਦੇ ਵ੍ਹਾਈਟਪੇਪਰਾਂ ਦਾ ਸਾਰ ਮੰਗਦੇ ਹੋ। AI ਸਿਰਫ਼ ਉਹਨਾਂ PDF ਤੋਂ ਤਿਆਰ ਕੀਤੀ ਇੱਕ ਤੁਲਨਾਤਮਕ ਸਾਰਣੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਅਗਲੇ, ਤੁਸੀਂ ਪੁੱਛਦੇ ਹੋ ਕਿ ਕੀ ਮਾਹਰਾਂ ਦੇ ਇੰਟਰਵਿਊ ਵਿੱਚੋਂ ਕੋਈ ਵੀ ਤੁਹਾਡੇ ਅੰਦਰੂਨੀ ਰਣਨੀਤੀ ਦਸਤਾਵੇਜ਼ ਦੀਆਂ ਧਾਰਨਾਵਾਂ ਦੇ ਉਲਟ ਹੈ। ਟੂਲ ਇੱਕ ਇੰਟਰਵਿਊ ਹਿੱਸੇ ਨੂੰ ਫਲੈਗ ਕਰਦਾ ਹੈ ਜਿੱਥੇ ਇੱਕ ਮਾਹਰ ਤੁਹਾਡੀ ਟੀਮ ਦੁਆਰਾ ਪ੍ਰਸਤਾਵਿਤ ਸਮਾਂ-ਸੀਮਾ 'ਤੇ ਸਵਾਲ ਉਠਾਉਂਦਾ ਹੈ। ਤੁਸੀਂ ਸਾਈਟੇਸ਼ਨ 'ਤੇ ਕਲਿੱਕ ਕਰਦੇ ਹੋ ਅਤੇ ਸਿੱਧਾ ਆਡੀਓ ਕਲਿੱਪ ਸੁਣਦੇ ਹੋ। ਅੰਤ ਵਿੱਚ, ਤੁਸੀਂ AI ਨੂੰ ਸਿਰਫ਼ ਦਿੱਤੇ ਗਏ ਸਰੋਤਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਸੰਖੇਪ ਜੋਖਮ-ਵਿਸ਼ਲੇਸ਼ਣ ਮੈਮੋ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰਨ ਲਈ ਕਹਿੰਦੇ ਹੋ। ਕਿਉਂਕਿ ਹਰ ਦਾਅਵਾ ਲੱਭਣਯੋਗ ਹੈ, ਤੁਸੀਂ ਕਿਸੇ ਅਜਿਹੇ ਮੁਕਾਬਲੇਬਾਜ਼ ਬਾਰੇ ਗਲਤ ਜਾਣਕਾਰੀ (hallucination) ਦੇ ਡਰ ਤੋਂ ਬਿਨਾਂ ਖਰੜਾ ਆਪਣੇ ਮੈਨੇਜਰ ਨੂੰ ਭੇਜ ਸਕਦੇ ਹੋ ਜੋ ਅਸਲ ਵਿੱਚ ਮੌਜੂਦ ਹੀ ਨਹੀਂ ਹੈ।
ਤੁਹਾਡੇ ਟੂਲਕਿੱਟ ਵਿੱਚ NotebookLM ਕਿੱਥੇ ਫਿੱਟ ਹੁੰਦਾ ਹੈ
ਇਹ ਸਰਚ ਇੰਜਣਾਂ ਜਾਂ ਆਮ ਉਦੇਸ਼ਾਂ ਵਾਲੇ ਚੈਟਬੋਟਾਂ ਦਾ ਬਦਲ ਨਹੀਂ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਰੈਸਟੋਰੈਂਟ ਦੀਆਂ ਸਿਫ਼ਾਰਸ਼ਾਂ ਜਾਂ ਖੇਡਾਂ ਦੇ ਤਾਜ਼ਾ ਸਕੋਰ ਲੱਭ ਰਹੇ ਹੋ, ਤਾਂ NotebookLM ਤੁਹਾਨੂੰ ਨਿਰਾਸ਼ ਕਰੇਗਾ। ਇਹ ਜਾਣਬੁੱਝ ਕੇ ਸੀਮਤ ਰੱਖਿਆ ਗਿਆ ਹੈ। ਇਸਦੀ ਕੀਮਤ ਦੋ ਲੋੜਾਂ ਦੇ ਸੰਗਮ 'ਤੇ ਹੈ: ਤੁਹਾਡੇ ਕੋਲ ਜਾਣਕਾਰੀ ਦਾ ਇੱਕ ਅਜਿਹਾ ਢੇਰ ਹੈ ਜੋ ਪੂਰੀ ਤਰ੍ਹਾਂ ਪੜ੍ਹਨ ਲਈ ਬਹੁਤ ਵੱਡਾ ਹੈ, ਅਤੇ ਤੁਹਾਨੂੰ ਅਜਿਹੇ ਜਵਾਬਾਂ ਦੀ ਲੋੜ ਹੈ ਜੋ ਇੰਨੇ ਵਿਸ਼ੇਸ਼ ਹਨ ਕਿ ਉਹਨਾਂ ਨੂੰ ਆਮ ਇੰਟਰਨੈਟ ਟ੍ਰੇਨਿੰਗ ਡੇਟਾ 'ਤੇ ਨਹੀਂ ਛੱਡਿਆ ਜਾ ਸਕਦਾ। ਇਹ ਸਾਹਿਤਕ ਸਮੀਖਿਆਵਾਂ (literature reviews), ਡਿਪੋਜ਼ੀਸ਼ਨ ਦੀ ਤਿਆਰੀ, ਨੀਤੀ ਵਿਸ਼ਲੇਸ਼ਣ, ਥੀਸਿਸ ਲਿਖਣ ਅਤੇ ਕਿਸੇ ਵੀ ਅਜਿਹੇ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ ਸ਼ਾਨਦਾਰ ਕੰਮ ਕਰਦਾ ਹੈ ਜਿੱਥੇ ਗੱਲਬਾਤ ਦੀ ਸ਼ੈਲੀ ਨਾਲੋਂ ਸਰੋਤ ਦੀ ਸ਼ੁੱਧਤਾ ਵਧੇਰੇ ਮਹੱਤਵਪੂਰਨ ਹੁੰਦੀ ਹੈ।
ਇਹ ਟੂਲ ਬਿਹਤਰ ਡਿਜੀਟਲ ਹਾਈਜੀਨ ਨੂੰ ਵੀ ਉਤਸ਼ਾਹਿਤ ਕਰਦਾ ਹੈ। ਕਿਉਂਕਿ ਤੁਹਾਨੂੰ ਜਾਣਬੁੱਝ ਕੇ ਆਪਣੇ ਸਰੋਤ ਚੁਣਨੇ ਪੈਂਦੇ ਹਨ, ਇਸ ਲਈ ਤੁਸੀਂ ਇੱਕ ਸਾਫ਼ ਗਿਆਨ ਅਧਾਰ (knowledge base) ਤਿਆਰ ਕਰਦੇ ਹੋ। ਤੁਹਾਨੂੰ ਇਹ ਫੈਸਲਾ ਕਰਨ ਲਈ ਮਜਬੂਰ ਹੋਣਾ ਪੈਂਦਾ ਹੈ ਕਿ ਕਿਹੜੇ ਦਸਤਾਵੇਜ਼ ਪ੍ਰਮਾਣਿਕ ਹਨ ਅਤੇ ਕਿਹੜੇ ਸਿਰਫ਼ ਸ਼ੋਰ (noise) ਹਨ। ਸਿਰਫ਼ ਉਹ ਚੋਣ (curation) ਵਾਲਾ ਕਦਮ ਹੀ ਜ਼ਿਆਦਾਤਰ ਖੋਜ ਪ੍ਰੋਜੈਕਟਾਂ ਦੀ ਗੁਣਵੱਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਦਾ ਹੈ।
ਜੇਕਰ ਤੁਸੀਂ ਆਪਣੇ ਲਈ ਇਸ ਵਰਕਫਲੋ ਨੂੰ ਅਜ਼ਮਾਉਣਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਭਾਈਚਾਰੇ ਦੇ ਇਸ ਵਿਆਪਕ ਗਾਈਡ ਵਿੱਚ ਸੈੱਟਅੱਪ ਪ੍ਰਕਿਰਿਆ ਅਤੇ ਵਿਸਤ੍ਰਿਤ ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ ਬਾਰੇ ਹੋਰ ਪੜ੍ਹ ਸਕਦੇ ਹੋ। AI ਟੂਲਸ, ਖੋਜ ਰਣਨੀਤੀਆਂ ਅਤੇ ਵਿਹਾਰਕ ਉਤਪਾਦਕਤਾ ਵਰਕਫਲੋ ਬਾਰੇ ਨਿਰੰਤਰ ਚਰਚਾਵਾਂ ਲਈ, GyaanSetu AI ਲਰਨਿੰਗ ਕਮਿਊਨਿਟੀ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਵੋ।